Як зазначає dsaxton , "аналіз часових рядів" не є ні алгоритмом, ні методом прогнозування. Це поле дослідження . Крім того, значна частина аналізу часових рядів навіть не стосується прогнозування, а лише розуміння минулої динаміки часового ряду (наприклад, виявлення точок зміни).
Конкретні методи аналізу часових рядів, придатні для прогнозування , такі як моделі ARIMA або експоненціальне згладжування, безумовно, можна назвати "алгоритмами навчання" і вважатись частиною машинного навчання (ML) так само, як і для регресії. Вони просто рідко бувають.
Я б сказав, що це відображає те, що аналіз часових рядів був уже дуже налагодженим і розвинув свою власну мову до того часу, як з'явився ML, тому мало аналітиків часових рядів подумають про те, що вони роблять під час машинного навчання (так само, як думають лише деякі статистики регресії як ML - це спільнота ML, яка класифікує встановлені методи за номенклатурою ML).
І навпаки, ML-спільнота насправді не дуже займається часовими рядами, і "класичні" алгоритми ML, як нейронні мережі, насправді не надто успішні в сенсі явно перевершує класичні алгоритми часових рядів для прогнозування. Якщо ви моделюєте свою динаміку часу в алгоритмі ML, ви вже досить близькі до моделі ARIMA, але якщо цього не зробите, ви дійсно пропустите багато структури, яка допомогла б у прогнозуванні.